“文本-音频”数据对的匹配度对端到端语音合成系统有着至关重要的影响。语音数据库的自动优化旨在筛选出出错的文本标注与韵律发音一致性较差的音频，可以克服人工检查中的不一致、耗时的缺点。本文采用半监督学习的方式，利用端到端语音合成模型中的局部敏感注意力机制，在模型训练过程中根据其编码器-解码器对齐信息，运用卷积神经网络来判断每个训练“文本-音频”样本对匹配程度，筛选出待矫正样本对。实验结果表明，本文所提出的语音数据库自动优化方法，精度高于基于语音识别的基线系统，可应用于普通话、英语、粤语、藏语和维吾尔语等不同语言的合成音库，实验还验证了使用自动优化音库训练的端到端合成系统的自然度和鲁棒性均有所提高。